[发明专利]通用的文本图片查重方法、存储介质及处理设备

权利要求书

1.一种通用的文本图片查重方法，其特征在于，包括如下步骤：

S11、建立图片数据库；将拍摄的图片经过OCR识别、使用simhash算法将识别的文本内容映射为一定长度的hash值，将图片及其识别的内容、hash值建立统一的数据库；

S12、提取查询图中的文本内容；

S13、将所述查询图的所述文本内容与所述图片数据库中的全部图片的文本内容进行相似性比对，找出潜在的重复图；具体步骤为：

S131、使用simhash算法将所述查询图的所述文本内容映射为一定长度的hash值；

S132、将所述查询图的hash值与所述图片数据库内所有图片的hash值进行比对，将汉明距离小于第一设定阈值的图片作为潜在的所述重复图；

S133、将所述查询图与全部潜在的所述重复图逐一进行文本内容相似性检测，并根据检测结果更新所述重复图；

S14、是否存在潜在的所述重复图；若是，执行步骤S15；否则，执行步骤S16；

S15、将所述查询图与全部潜在的所述重复图两两之间进行差异比对，并根据比对结果得出查重结果；差异比对时，将所述查询图与每个潜在的所述重复图的文字区域的每个像素值相减，差值取绝对值，对所有差值的绝对值取平均数作为文字区域比对结果，所述文字区域比对结果与第三设定阈值做比较；将所述查询图与每个潜在的所述重复图的非文字区域的每个像素值相减，差值取绝对值，对所有差值的绝对值取平均数作为非文字区域比对结果，所述非文字区域比对结果与第四设定阈值做比较，得出所述查重结果；如得出的所述查重结果为：所述查询图与所述图片数据库中的图片不存在重复，将所述查询图及其对应的文本内容写入到所述图片数据库中，返回步骤S12执行下一个所述查询图的查重；如得出的所述查重结果为：所述查询图与所述图片数据库中的图片存在重复，返回步骤S12执行下一个所述查询图的查重；

S16、返回步骤S12,执行下一个所述查询图的查重。

2.根据权利要求1所述的通用的文本图片查重方法，其特征在于，步骤S133包括如下步骤：

S1331、分别计算所述查询图的所述文本内容与每个潜在的所述重复图的文本内容的文本相似系数；

S1332、将所述文本相似系数大于第二设定阈值的所述重复图作为新的潜在的所述重复图。

3.根据权利要求2所述的通用的文本图片查重方法，其特征在于，所述文本相似系数Sim计算公式如下：

；

其中，a为所述查询图的所述文本内容，b为潜在的所述重复图的所述文本内容，L_a为所述查询图的所述文本内容的字符和/或文字的长度，L_b为潜在的所述重复图的所述文本内容的字符和/或文字的长度，max为取大值函数，ED为文本内容的编辑距离函数。

4.根据权利要求3所述的通用的文本图片查重方法，其特征在于，ED的计算公式如下：

；

；

其中，a为所述查询图的所述文本内容，b为潜在的所述重复图的所述文本内容，i为a文本中第i个文字或字符，j为b文本中第j个文字或字符，min为取小值函数。

5.根据权利要求1所述的通用的文本图片查重方法，其特征在于，步骤S121中，采用OCR识别方法提取所述查询图中的文本内容。